في عالم الذكاء الاصطناعي، تلعب استراتيجيات تقسيم البيانات (Tokenization) دورًا أساسيًا في كيفية معالجة المدخلات، خاصةً في نماذج تخطيط القلب الكهربائي (ECG Transformer). حيث تحدد هذه الاستراتيجيات المحتوى الفيزيولوجي الذي يُعرض على النموذج، إضافةً إلى تسلسل الانتباه الذي يعالج البيانات.

في دراسة حديثة، مقارنة شملت ثماني استراتيجيات متعلقة بتقسيم البيانات عبر نماذج مختلفة: Transformer، Informer، Reformer، وFEDformer، تم تنفيذها على مهمة تصنيف CPSC2018 المكونة من تسعة تسميات. تم التحكم في سعة الارتباط المدخل والأساسي لعزل تأثير بناء البيانات.

أظهرت النتائج أن تقسيم البيانات باستخدام تقنيات "Median-beat" و"HeartLang" تمكن من تحقيق متوسط AUCات بواقع 0.893 و0.889 على التوالي، مقارنةً بتقنيات التقسيم الأخرى مثل ``point-wise`` و``patch-wise`` التي حققت 0.822 و0.824.

بدمج هذين التمثيلين المدركين للفيزيولوجيا، تحققنا من تحسين نسبي في الأداء بواقع 8.2% في متوسط الـ AUC. كما ساهمت هذه الاستراتيجيات في تقليل متوسط طول التسلسل من 1250 إلى 158 رمزًا، كما قللت من سعة الذاكرة المستخدمة خلال التدريب من 5.21 إلى 0.27 غيغابايت.

تشير النتائج هنا إلى أن توحيد الرموز مع شكل الـ ECG يمكن أن يحسن من أداء النموذج وكفاءة الذاكرة دون الحاجة لزيادة السعة الأساسية للنموذج. للمزيد من التفاصيل، يمكنكم زيارة رابط المشروع على GitHub.

ما رأيكم في هذه الاستراتيجيات الجديدة؟ كيف تتوقعون أن تؤثر على مستقبل نماذج الذكاء الاصطناعي في المجال الصحي؟ شاركونا في التعليقات.